أطروحة دكتوراه في كلية تكنولوجيا المعلومات تناقش تقدير قيمة K المثلى لخوارزمية K-Means لتجميع تدفقات البيانات

ضحى فاضل عباس
ناقش قسم البرمجيات في كلية تكنولوجيا المعلومات بجامعة بابل أطروحة الدكتوراه الموسومة "تقدير قيمة K المثلى لخوارزمية K-Means لتجميع تدفقات البيانات"، المقدمة من قبل الباحثة عبير محمود حسان أحمد، وذلك تحت إشراف الدكتور سعد طالب حسون، يوم الخميس الموافق 13/3/2025 في قاعة المؤتمرات بالكلية.

تناولت الأطروحة إحدى أهم القضايا في مجال تحليل البيانات، حيث ركزت على تحسين خوارزمية K-Means، التي تُعد من أكثر تقنيات تجميع البيانات شيوعًا، من خلال تطوير نماذج جديدة تساهم في تحديد القيمة المثلى لمعامل K عند التعامل مع تدفقات البيانات المستمرة، والتي تتميز بكونها سريعة التغير، ضخمة الحجم، وغير متجانسة.

اقترحت الباحثة عدة نماذج متقدمة، منها:

- القطر الديناميكي التكيفي وعتبة الحدود (ADDBT)، الذي يعتمد على دالة كثافة الاحتمال (PDF) بدلاً من التوزيع الغاوسي.
- النموذج الأولي متعدد القنوات (P-M-C)، الذي يعتمد على اختيار النماذج الأولية وتكرارها.

تم اختبار هذه النماذج على ثماني مجموعات بيانات متدفقة، من بينها أربع مجموعات بيانات عالمية مثل:

- مجموعة بيانات Iris
- تدفق بيانات استهلاك الطاقة الكهربائية
- تدفق بيانات إشارات المرور
- بيانات كأس KDD العالمي

كما تم جمع بيانات حقيقية باستخدام مستشعرات متقدمة في بيئات مختلفة، مثل:

- بيانات الطقس في مدينة الحلة لمدة 10 أشهر.
- بيانات صحة الجسم من متطوعين باستخدام أجهزة استشعار قابلة للارتداء.
- بيانات صحية للأطفال تم جمعها من 6 أطفال على مدار 4 أشهر.
- بيانات صحية لمرضى تم جمعها من 150 مريضًا في صيدلية.


أظهرت نتائج الأطروحة تحسنًا ملحوظًا في جودة التجميع مقارنة بالخوارزميات التقليدية مثل CMFT Kernel-K-Means و CluStream و D-Stream، حيث بلغت نسبة التحسين في مقياس جودة المجموعات (Silhouette Score) 10%، بينما أظهرت بعض النتائج تحسينات تتراوح بين 45% إلى 200% عند مقارنتها بخوارزميات أخرى مثل KM-STREEM++ و IAPKM.

تعكس هذه الأطروحة تطورًا مهمًا في مجال تحليل البيانات الضخمة، مما يساهم في تعزيز تقنيات التجميع الذكي لتدفقات البيانات، ويدعم التطبيقات العملية في مجالات متعددة مثل الذكاء الاصطناعي، وإنترنت الأشياء، وتحليل البيانات الطبية والبيئية.